本發(fā)明涉及裝備管理與保障領域，特別是一種基于離線大模型的裝備智能保障系統(tǒng)。

背景技術：

1、近年來，人工智能技術在裝備智能保障領域取得顯著進展，基于大模型的智能保障系統(tǒng)通過融合多模態(tài)數據實現設備狀態(tài)監(jiān)測與故障診斷，逐漸成為研究熱點，例如，工業(yè)大模型通過大規(guī)模參數與多模態(tài)數據結合，已在設備健康管理、故障預測等領域展現出潛力?，現有技術中，多模態(tài)數據融合方法能夠提升特征表征能力，而貝葉斯網絡與脈沖神經網絡snn的結合為因果推理與動態(tài)知識更新提供了新思路，此外，聯邦學習與量子退火算法被用于邊緣服務器模型優(yōu)化，以解決數據隱私與算力受限問題，無人機結合紅外攝像頭與振動傳感器的多源數據采集技術，以及基于slam的3d建模方法，進一步提升了裝備表面缺陷檢測的精度與空間關聯性。

2、然而，現有技術仍面臨一系列挑戰(zhàn)，首先傳統(tǒng)方法在跨模態(tài)對齊時依賴靜態(tài)規(guī)則，難以處理復雜工業(yè)場景下的異質數據動態(tài)關聯問題?，例如，高頻振動噪聲濾除與小波分解層數選擇缺乏自適應機制，導致故障特征頻段保留不完整。

技術實現思路

1、鑒于上述現有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于離線大模型的裝備智能保障系統(tǒng)解決傳統(tǒng)方法在跨模態(tài)對齊時依賴靜態(tài)規(guī)則，難以處理復雜工業(yè)場景下的異質數據動態(tài)關聯問題。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：

4、本發(fā)明提供了一種基于離線大模型的裝備智能保障系統(tǒng)，其包括：

5、采集模塊、特征融合模塊、更新模塊、維護策略模塊、和輕量化模型部署模塊：

6、所述采集模塊，通過無人機采集設備表面缺陷圖像和時序信號，同時收集文本日志，對缺陷圖像、時序信號和文本日志分別進行處理，生成多模態(tài)數據集；

7、所述特征融合模塊，用于對多模態(tài)數據集進行特征提取，得到圖像特征、時序特征和文本特征，將三種特征進行融合，生成多模態(tài)特征；

8、所述更新模塊，用于從語義向量中提取故障三元組，根據故障三元組構建貝葉斯因果圖，將多模態(tài)特征輸入脈沖神經網絡，動態(tài)更新節(jié)點置信度，生成知識圖譜；

9、所述維護策略模塊，用于將多模態(tài)特征與知識圖譜匹配，定位故障根因；

10、所述輕量化模型部署模塊，用于在邊緣服務器預訓練輕量化模型，使用量子退火算法加速輕量化模型參數聚合，根據聚合后的輕量化模型參數生成全局大模型，結合強化學習生成策略，綜合成本、停機損失和備件庫存選出最優(yōu)維護策略。

11、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述表面缺陷圖像是指裂紋圖像和腐蝕圖像；

12、在無人機上搭載紅外攝像頭和三軸振動傳感器收集缺陷圖像和時序信號，通過plc接口實時獲取文本日志。

13、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述對缺陷圖像、時序信號和文本日志分別進行處理，生成多模態(tài)數據集，具體為：

14、分離缺陷圖像的光照分量和反射分量，結合歷史故障圖像的光照均值模板，生成優(yōu)化后的光照分量，根據優(yōu)化后的光照分量和反射分量增強缺陷圖像；

15、采用小波基分解，提取低頻基頻與高頻異常特征；

16、使用bert識別部件名稱與故障類型，結合正則表達式匹配邏輯鏈生成結構化三元組；

17、通過slam技術將增強后的缺陷圖像的像素坐標映射至設備3d模型，關聯振動信號與具體部位；

18、將增強后的缺陷圖像及坐標、濾波后的均值及關聯部位標簽和故障三元組的語義向量封裝為hdf5格式，生成多模態(tài)數據集。

19、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述對多模態(tài)數據集進行特征提取，得到圖像特征、時序特征和文本特征，具體步驟為：

20、將增強后的缺陷圖像進行縮放，通過resnet模型提取倒數第二層全連接層的高維特征得到圖像特征；

21、通過lstm編碼時序信號的時序依賴關系得到時序特征；

22、通過bert嵌入將文本日志映射為語義向量并提取故障三元組。

23、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述將三種特征進行融合，生成多模態(tài)特征是指通過動態(tài)權重注意力將圖像特征、時序特征和文本特征映射至同一維度。

24、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述從語義向量中提取故障三元組，根據故障三元組構建貝葉斯因果圖，具體步驟為：

25、使用預訓練的transformer解碼器解析bert語義向量，提取結構化三元組；

26、將三元組元素作為節(jié)點，按因果鏈構建有向邊，形成貝葉斯網絡拓撲，基于歷史維修數據統(tǒng)計原因導致現象的概率和解決方案修復原因的成功率，填充節(jié)點先驗分布，得到貝葉斯因果圖。

27、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述將多模態(tài)特征輸入脈沖神經網絡，動態(tài)更新節(jié)點置信度，生成知識圖譜，具體為：

28、將多模態(tài)特征轉換為脈沖序列，設定全局閾值觸發(fā)脈沖信號，特征強度映射為脈沖間隔；

29、貝葉斯網絡節(jié)點對應snn神經元集群，采用脈沖時間依賴可塑性規(guī)則stdp；

30、節(jié)點置信度由脈沖頻率驅動更新，最終生成帶權重標簽的知識圖譜。

31、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述將多模態(tài)特征與知識圖譜匹配，定位故障根因，具體為：

32、將多模態(tài)融合特征通過全連接層映射至知識圖譜節(jié)點空間，生成節(jié)點特征貢獻向量，計算特征貢獻向量與知識圖譜節(jié)點的余弦相似度，篩選相似度符合實際要求的候選節(jié)點集合；

33、將多模態(tài)特征映射為證據向量，通過非線性證據融合函數更新貝葉斯網絡條件概率；

34、從現象節(jié)點出發(fā)，反向遍歷貝葉斯網絡因果路徑，計算路徑綜合置信度，融合節(jié)點置信度與更新后條件概率，按綜合置信度降序排列候選根因，選擇最高置信度節(jié)點作為故障根因。

35、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述在邊緣服務器預訓練輕量化模型，使用量子退火算法加速參數聚合，根據聚合后的參數生成全局大模型，結合強化學習生成策略，具體為：

36、采用mobilenetv3-small架構，通過深度可分離卷積和通道壓縮技術，將resnet參數量按比例壓縮；

37、基于量子退火算法，將邊緣設備本地模型參數聚合問題轉化為qubo模型，通過二進制變量建模節(jié)點選擇策略。

38、作為本發(fā)明所述基于離線大模型的裝備智能保障系統(tǒng)的一種優(yōu)選方案，其中：所述綜合成本、停機損失和備件庫存選出最優(yōu)維護策略，具體為：

39、通過歷史設備維護記錄獲取維護成本，通過文本日志獲取停機時長、通過采購訂單獲取備件庫存，根據歷史故障記錄獲取故障嚴重程度；

40、基于維護成本、停機時長、備件庫存和故障嚴重度構建狀態(tài)空間，基于立即維修、延遲維修和更換備件設定動作空間，結合ddpg算法訓練策略網絡，輸出帕累托最優(yōu)維護決策；

41、以bert-wwm為教師模型，mobilenetv3-tiny為學生模型，通過kl散度損失對齊軟標簽分布，按比例壓縮參數量；

42、將輕量化模型轉換為plc可執(zhí)行函數塊，實時接收傳感器數據，通過ip協(xié)議上傳實時數據至邊緣服務器，觸發(fā)模型增量更新；

43、邊緣服務器定期用新數據微調全局模型，重新蒸餾生成輕量化版本并加密下發(fā)至plc，若更新后模型驗證集準確率下降，自動回滾至舊版本并報警。

44、本發(fā)明有益效果為：本發(fā)明通過無人機多模態(tài)協(xié)同采集裝備表面缺陷圖像、振動時序信號及運行日志，結合動態(tài)時間規(guī)整與slam技術實現時空對齊，利用光照分量優(yōu)化算法增強缺陷特征可辨識度，解決了傳統(tǒng)單模態(tài)數據孤立與噪聲干擾問題；通過動態(tài)權重注意力機制融合圖像、時序及文本特征，構建統(tǒng)一表征空間，結合貝葉斯因果圖與脈沖神經網絡的動態(tài)協(xié)同機制，利用脈沖觸發(fā)規(guī)則實時更新節(jié)點置信度與因果強度，顯著提升復雜故障的推理實時性與準確性；借助量子退火算法優(yōu)化聯邦學習參數聚合路徑，篩選高價值邊緣節(jié)點降低通信成本，結合強化學習策略平衡維護成本、停機時長與備件庫存，生成多目標最優(yōu)決策；通過知識蒸餾與輕量化模型部署實現邊緣服務器高效推理，結合增量更新與異?；貪L機制保障模型穩(wěn)定性。